Learned Finite Element-based Regularization of the Inverse Problem in Electrocardiographic Imaging

Titolo: Regularizzazione basata su Elementi Finiti Appresi per il Problema Inverso nell'Imaging Elettrocardiografico (ECGI)

1. Il Problema

L'Imaging Elettrocardiografico (ECGI) mira a ricostruire l'attività elettrica cardiaca (potenziali epicardici) a partire dalle misurazioni non invasive dei potenziali sulla superficie del torace.

• Natura del problema: Si tratta di un problema inverso fortemente mal posto (severely ill-posed). La soluzione è instabile e altamente sensibile al rumore di misura e agli artefatti derivanti dal contatto degli elettrodi e dalle limitazioni anatomiche.
• Sfida attuale: Le approcci classici di regolarizzazione (come Tikhonov o Variazione Totale - TV) si concentrano principalmente sulla regolarizzazione spaziale. Tuttavia, ignorano spesso la struttura temporale della dinamica cardiaca, che è fisiologicamente rilevante per catturare pattern di attivazione complessi (es. propagazione ondulatoria).
• Limiti del Deep Learning: Sebbene le tecniche di deep learning offrano alta accuratezza, spesso mancano di interpretabilità e non sono facilmente integrabili in framework basati su equazioni differenziali alle derivate parziali (PDE) su mesh non strutturate.

2. Metodologia

Gli autori propongono un nuovo framework di regolarizzazione spazio-temporale che combina elementi classici con apprendimento automatico (machine learning) all'interno di un contesto agli Elementi Finiti (FEM).

• Modellazione Variazionale:

  • Il problema inverso è formulato come la minimizzazione di un funzionale energetico composto da un termine di fedeltà ai dati e un termine di regolarizzazione $R_\theta(u)$.
  • Viene introdotto un prior temporale appreso basato sul framework Fields-of-Experts (FoE). Invece di usare penalità fisse, si impara una collezione di "esperti" che modellano le dipendenze di ordine superiore.
  • L'operatore di regolarizzazione $L_i[u]$ combina:
    1. Un termine di ordine zero ($\epsilon_\theta u$) per la stabilità.
    2. Il gradiente superficiale ($\nabla_{\Gamma_H} u$) per la regolarità spaziale.
    3. Una componente filtrata temporalmente ($K_i[u]$) ottenuta tramite correlazione incrociata con kernel 1D appresi.
  • Le funzioni di potenziale $\phi_i$ sono costruite utilizzando envelopi di Moreau (differenze di envelopi di Moreau di norme $\ell_\infty$), garantendo differenziabilità e proprietà di ottimizzazione stabili, pur permettendo non-convessità per maggiore espressività.

• Discretizzazione agli Elementi Finiti (FEM):

  • Il problema è discretizzato su mesh cardiache superficiali non strutturate (spazio) e su una griglia temporale uniforme.
  • Vengono utilizzati elementi finiti lineari ($P1$) sia nello spazio che nel tempo.
  • Viene sviluppato un algoritmo di ottimizzazione scalabile che gestisce efficientemente il termine FoE, calcolando i gradienti tramite operatori lineari discreti e matrici di massa.

• Analisi Teorica (Convergenza):

  • Un contributo teorico fondamentale è la dimostrazione della convergenza di Mosco dei funzionali discreti verso il funzionale continuo nello spazio di Hilbert appropriato.
  • Viene provato che i minimizzatori del problema discreto convergono (fino a una sottoma) a un minimizzatore del problema continuo. Questo garantisce la stabilità del metodo al raffinarsi della mesh.

• Apprendimento (Training):

  • Il regolarizzatore viene addestrato tramite un approccio bi-livello:
    1. Livello interno: Risoluzione del problema di denoising (rimozione del rumore gaussiano) per trovare la soluzione ottima data una regolarizzazione.
    2. Livello esterno: Aggiornamento dei parametri del regolarizzatore (kernel temporali, pesi, parametri delle funzioni di potenziale) per minimizzare l'errore di ricostruzione rispetto ai dati puliti.
  • L'addestramento utilizza la differenziazione implicita (tramite la libreria torchdeq) per calcolare i gradienti attraverso il punto di equilibrio dell'ottimizzatore, evitando la backpropagation esplicita attraverso tutti i passi iterativi.

3. Risultati Sperimentali

Gli esperimenti sono stati condotti su dati sintetici 2D generati da un modello di reazione-diffusione cardiaco, includendo tessuti cicatriziali (scar tissue).

• Denoising:

  • Il metodo proposto (MFoE - non convesso) ha superato significativamente i metodi classici (Tikhonov e TV) nella rimozione del rumore, preservando meglio i dettagli strutturali fini e gli spigoli netti.
  • I filtri appresi si sono adattati meglio alle caratteristiche del segnale rispetto ai regolarizzatori manuali.

• Problema Inverso (ECGI):

  • In scenari di inversione con diversi livelli di rapporto segnale-rumore (SNR), il regolarizzatore MFoE ha ottenuto i migliori risultati in termini di errore $L^2$.
  • Rispetto a Tikhonov (troppo liscio) e TV (che può introdurre discontinuità artificiali), l'approccio FoE ha catturato con maggiore precisione i pattern di attivazione spazio-temporali complessi e ha soppresso efficacemente le oscillazioni non fisiche nel tempo.
  • La regolarizzazione temporale appresa ha contribuito a stabilizzare la ricostruzione, riducendo gli artefatti di inversione.

4. Contributi Chiave

1. Nuovo Framework di Regularizzazione: Introduzione di regolarizzatori spazio-temporali "appresi" (learned) basati su FoE, integrati nativamente in un framework agli Elementi Finiti su mesh non strutturate.
2. Garanzie Teoriche: Prima analisi di convergenza di Mosco per problemi inversi regolarizzati da energie di tipo FoE apprese in spazi agli elementi finiti, garantendo la convergenza dei minimizzatori.
3. Algoritmo Scalabile: Sviluppo di un algoritmo di ottimizzazione efficiente che gestisce la complessità computazionale dei termini FoE su mesh 3D/2D non strutturate.
4. Performance Superiori: Dimostrazione empirica che l'approccio data-driven supera i metodi "handcrafted" sia nel denoising che nella ricostruzione inversa, producendo soluzioni fisiologicamente più plausibili.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nel campo dell'imaging medico computazionale:

• Unione di Teoria e Dati: Dimostra che è possibile combinare la robustezza teorica dei metodi variazionali classici (con garanzie di convergenza) con la flessibilità e la potenza dei metodi basati sui dati (machine learning).
• Sfruttamento della Dimensione Temporale: Sposta l'attenzione dalla sola regolarizzazione spaziale a una visione spazio-temporale integrata, cruciale per la dinamica cardiaca.
• Interpretabilità: A differenza delle "scatole nere" del deep learning puro, questo approccio mantiene una struttura fisica (FEM) e una regolarizzazione interpretabile, rendendolo più affidabile per applicazioni cliniche.
• Futuro: Sebbene l'implementazione attuale sia limitata a passi temporali uniformi, il framework apre la strada a metodi di regolarizzazione adattivi e più complessi per problemi inversi biomedici.